前言:
现在咱们对“点估计的应用范围”都比较关怀,兄弟们都想要分析一些“点估计的应用范围”的相关资讯。那么小编在网络上汇集了一些对于“点估计的应用范围””的相关内容,希望看官们能喜欢,各位老铁们快快来学习一下吧!9月21日-22日,36氪暗涌·2023产业未来大会于深圳顺利召开。本场大会作为36氪专注于一级市场的活动IP-“中国基金合伙人峰会”的升级,现场汇聚了产业投资领域的关键人群,来自地方政府、引导基金、龙头企业、投资机构、学术界等各界的领袖、专家以及产业核心参与者们齐聚一堂,展开巅峰对谈,观点激烈碰撞,共探产业未来方向。
在中国产业变革挺进深水区的当下,在这场巨大的产业轮转中,还存在诸多的非共识。因此,我们将本场大会的主题命名为“暗涌”,寓意暗流涌动,势能巨大。作为中国产业变革的亲历者和记录者,36氪希望通过本次大会发挥在资本与产业两端的核心影响力,促成产业参与者之间的有效链接,进而发掘产业中尚未被发现的趋势、未被充分识别的机会,以及那些真正在参与和重塑行业变革的人们。
在当天的名为“人类命运的一个转折点”的圆桌讨论中,华兴资本集团执行董事投资银行事业部联席总裁王力行、中联投控股股份有限公司副总裁陈钢、联想创投董事总经理罗旭、美团龙珠合伙人于红、东方嘉富创始合伙人董事长徐晓、商汤国香资本董事总经理余俊、锦秋基金执行董事臧天宇,围绕这一波AGI浪潮一起参与了讨论,同时给出了他们的观察和判断。
峰会现场
以下为圆桌对话内容,经36氪编辑整理:
王力行:首先请几位嘉宾介绍一下自己,同时大家也可以分享下自己平常用的比较满意的AGI产品和使用心得。
陈钢:中联投控股股份有限公司是一家民营混合所有制企业,股东有中国中车、中国通号、和上海临港集团等等,我们主要的投资方向沿着中车集团产业链以及上海临港集团产业布局做一些先进制造,人工智能方向的投资。
关于AI领域,我们是在2年前在苏州控股了一家做芯片封装基板AOI的检测企业,检测的过程当中要比较检测坏点,所以也应用到了AI的一定的算法,实际上我们是一个小模型训练,跟AGI大模型训练有一点区别,我们做了这个项目之后,发现算法是有横向迁移的能力的,所以我们也开始关注AGI算法。
罗旭:联想创投是联想集团的企业创投,2016年正式成立,我们主要是通过投资和孵化的手段为联想集团布局未来的科技,到现在我们投了200多个早期科技项目,其中四分之一都与人工智能相关。
事实上,2011年我们投资了旷视天使轮,从人工智能的上一代就开始布局了,后来投出了寒武纪、思谋科技等等,其中我们很多的投资项目都与联想集团进行了一些合作。
上一轮人工智能发展遇到了挑战,现在新一轮的人工智能又火起来了,今天非常开心跟大家一起讨论,新一波的AI热潮,我们出手并没有像上一轮那么多,目前投了澜舟科技,我们在德国投了一家基础模型的公司nyonic等。
于红:美团龙珠是美团支持的市场化运作的一个财务投资机构,我们成立的目的比较简单,就是想支持中国那些伟大的创业者,支持这些创业者让中国、世界变得更加美好。 我们整体上的投资策略就是消费+科技。
科技领域我们在过去两三年中陆续投资了不少的公司,无论是芯片、机器人,还是到今天的AI。 就像刚才说的,我们整体的投资策略其实是想支持未来有机会能够改变中国,甚至改变世界这样伟大的创业者,所以我们投资项目的数量其实不会特别多,但是在每个已投的项目上,我们争取会给到比较大的支持。这是第一点,就是我们想找的创业者的样子。
第二,我们在投资的过程当中要求就是不添乱,帮忙都是次要的,尤其是我们在内部讨论的时候都会重点强调有没有不添乱。因为我们认为其实对很多伟大的创业者来说,的确帮忙是次要的,我们投资人不给添乱就可以了。所以在这个过程当中,我们的投资就是纯财务、纯支持,主要的目标是为了支持创业者能够把伟大的梦想实现。
从个人使用的角度来说,我们从ChatGPT横空出世开始,各种应用的确都在体验,目前用下来比较多的还是ChatGPT,但是我不是只用ChatGPT,我通常的做法是把一个问题提问给ChatGPT,也会发给其他LLM支持的产品,比如豆包、天宫等等,找几个都问一遍,看看它们回答的结果是不是一致的,如果不一致的再去搜索看一下,虽然ChatGPT有一定的领先性,但是其实其他各家整体看下来追赶的进度也挺快的。
徐晓:东方嘉富是浙江省国有上市金控平台——浙江东方金融控股集团旗下的基金投资板块,是一家混合所有制的基金管理公司。我们的主要投资方向,一是高端制造和新材料,二是以人工智能为主的新一代信息技术行业,这个领域在我们投资布局中占了30%的比重,我们比较关注AI在各个行业,尤其是在制造业以及和制造相关的服务业当中的落地。
东方嘉富成立于2016年,目前累积管理基金总规模超150亿人民币,累积投资项目90多个,其中已在科创板和主板上市的企业超过了10家。希望有机会能跟大家多多合作,尤其是在人类命运转折点的这个时间点上。
ChatGPT的出现确实让AI有了一个非常新的大飞跃,从最早的机器视觉开始到后面的自动驾驶,到现在的ChatGPT,大家终于看到了一个更加有可能在各行各业实现商业化的曙光,作为投资机构和投资人,我们都非常激动。
我个人觉得ChatGPT还是很好用的,我有次参加一个论坛,针对主持人提出的问题,我尝试着用ChatGPT准备答案,但那个时候出来的内容我觉得还是太文绉绉了,后面我参加论坛就放弃了ChatGPT,所以我保证今天的对话内容不是由ChatGPT准备的。
余俊:商汤国香资本是原生于人工智能公司商汤。从基金角度,我们也是投AI的原生投资基金。所以,我们非常聚焦在泛AI领域的投资,刚才有小伙伴问我们,所谓的原生AI基金到底投了哪些,我们从底层算力、算法、数据再到应用端等等这些会进行一个全面的梳理,特别是在应用上会布局的多一些。在底层的算力上,我们也有相应的各种各样场景上的布局。
最近,大模型起来之后,基本上整个团队非常关注这个大的领域,在机器人领域也做了相应布局。同时也在积极去布局一些B端和C端的应用产品。
此外,商汤本身拥有比较丰富的多模态产品和大模型产品,所以,我们内部的使用,包括和横向外部的对比,我们的产品还是比较多和有优势的。主要还是在尝试和创业者一起探讨能不能解决他们的一些问题,这样的一些使用的过程。
臧天宇:我是锦秋基金的臧天宇。我们投资核心是围绕两个大的主线,一个是AI,一个是出海。我们团队之前多数是在AI商业化最成功的科技公司之一做战略和投资。AI是我们持续关注和投资的领域,从判别式AI落地的时候我们就在重点关注AI和相关AI的产业应用,一直到现在这一拨生成式AI的浪潮。
我们近期投资的一些项目相对会更侧重在应用层,比如说我们投了做跨模态生成的基座模型和应用的生数科技,在具身智能这个领域,我们投资了把多模态大模型的框架应用到清洁场景的企业,这是我们最近的一些投资案例。
从我个人的使用上来讲,平时会用到ChatGPT,或者是LLM助手的工具,去做一些信息的检索,替代一部分搜索的需求,另外我还会用一些比如在微信里面做文章摘要的服务,看一篇文章之前看一看摘要,再决定它是不是有价值再继续深入阅读,这是我的一些使用体验。
王力行:这一波的AGI浪潮,跟过去10年,不管是计算机视觉,还是说自动驾驶AI的浪潮,从整个行业和从资本层面来讲有什么异同?过去的AI浪潮又给我们带来了哪些经验教训?
陈钢:先说不同点。从产品角度来说,原来的AI只能做决策判断,现在的AI可以做推理和生成;从用户端角度来说,原来AI主要服务的是B端和政府,现在的AGI可以服务广大到C端。这是两个不一样的地方。
资本角度来讲,10年前的融资环境是非常好,很多人工智能公司融资估值非常高,还有大量的资金涌入,而当下,如果说你的AI业务是做2G和2B,想在国内上市的话,现在科创板和创业板对利润的要求是非常高的,创业板要求8000万的利润,如果你要做2C的业务,可能未来是需要境外上市。
我们知道,目前,基本上大的美元基金都已经撤出中国了,导致后续的融资不确定性增加,现在融资环境跟以前相比是非常的严峻,这是不一样的地方。
相同的地方,我觉得不管是原来的小模型AI,还是现在大模型AGI,它的底层逻辑是一样的。
在我看来就是四个东西,一个是算力+算法+数据+行业的Know—how,算力是可以靠资金堆出来的,算法基本上都是开源的,数据是真正的壁垒,对一个算法来说,高质量的数据才能够让这个模型的神经卷积网络才会更有效的输出用户需要的产品,不然就是garbage in,garbage out。
那么你怎么去处理这个数据取决于你是否有懂行业的人才,就是有行业Know—how,深度感知到用户痛点,同时又知道怎么把用户痛点变成怎么去处理这些数据和标注数据的这帮人才你有没有。
这个逻辑不管是在以前的AI和现在AGI一直都存在的。
第二个相同点,就是AGI再怎么讲它就是一个工具,既然它是工具就离不开工具的商业属性和商业环境当中的一些特质,其实它的一些逻辑跟SaaS在我看来也很是像的,如果说你是做2C的用户,你一开始需要用大量的营销费用开始获取这个用户,AGI有一个特点,它的用户也是你的产品师,用户向模型提供反馈数据,使这个模型可以更多的加强学习,所以我自己判断以后在2C领域一些2C的垂直领域,一定是有马太效应,是赢者通吃的,可能有一家到两家企业在那里。
如果做2B话,B端不愿意把数据给分享出来,B端和B端之间的模型迁移更多会伴随行业经验加强跟累积,这时候会出现很多专业性的模型。
对一家创业公司来说,你要做2B或2G生意,最主要的是你先拿下头部客户,去积累行业知识,可以把模型变得更能满足客户需求,然后再去逐渐的积累行业的口碑,这跟原来做AI的产品逻辑也是一样的。
至于教训的话,我个人的体会,我们不要过高的去乐观的估计这个AI产品能够从客户手里面掏钱出来的能力,因为我们看到很多研究报告里说AI市场是10万亿的市场,这是一个很理想的状态。
这个叫潜在市场10万亿,但是它的前提条件是说这个AI产品达到了一个理想的状态,但是现在AGI发展还是一个很早期的阶段,它可能还需要10年,甚至超过10年以上的时间,这个AGI产品才能够提供C端用户,能够真正满意的产品。
这个过程当中需要技术、产品、人才、监管环境的持续迭代,对于创业公司来说,更应该考虑的是在未来三年你是否能活下去,你应该考虑的是在三年之内你能服务哪些人群,能够有多少现金流产生,这是原来模式当中我看到的教训。
罗旭:先简单说一下变化,第一波基于深度学习卷积,而现在这波是尝试用工程化的手段来替代过去通过逻辑、算法,专家系统来建立人工智能的方法。比如视觉识别分割用卷积来做,我们看到了一些效果,技术人员就会找相应的应用场景来实践,第一个就是人脸识别,包括我们上一波的“四小龙”,都是以此为基础,后来又拓展出来很多场景。
但是总体来讲,上一波的人工智能它没有一个特别完整统一的框架,大家都是在某一个领域里面去做了一些模型,然后用数据进行了一些训练,随后落地到一些应用。但是它没有办法很好的泛化到很多领域,所以上一波人工智能的创业企业在商业落地时,就遇到了很大的挑战,没有办法很好去泛化,去商业化变现,它的估值很高,它的收入很低。
这一次大模型带来了一种新的趋势,我们建立了一个大模型,并且看起来这个模型比上一波AI有更好的泛化能力,大家都是基于相同的框架和逻辑来做。大家期待用这个框架来统一人工智能在十年之前开始的那一拨比较分散的小模型。
我个人认为如果过去我们的科研技术是通过科学研究来推进的,那么现在的人工智能是通过工程化的手段来推进的,如果我们相信人工智能未来,AGI是一个终局的话,现在的变化是我们在向一个集中统一的框架迈进,并且是以工程化的手段。
这个对于我们真正走到通用人工智能来说是一个非常重要的一步,只有统一,并且有很好的泛化能力,才能够让AI更好地去落地,去服务于广大的终端用户。
对于开发者来说,这一波跟过去的变化是没有预料到,大模型对于算力的需求变得巨大,算力的供给端出现了问题,尤其是中国的供给。如果算力足够的话,我们的进步可能会更快。这是第二波AI创业者遇到最大的一个挑战。
如果我们到市场上竞争,我认为有多少算力,会决定是否能在竞争当中拔得头筹,如果没有的话,即使你的模型优化的更好,但是你迭代的速度会放慢,这样就会被落下,所以现在对于创业者来说需要的资源更多了。
对于我们投资者来说,首先第一点,你是不是愿意相信人工智能它未来是一个巨大的目标。
但是我们在上一波投资中,尤其是我们投了很多独角兽的公司,但是它真正能够变现并不多,我们需要面临得是帮助他找到一个闭环的一个商业落地的场景。
虽然说现在人工智能应该说从去年下半年到现在,应该说市场上最火的一个话题,但是我认为现在目前仅仅是第二波AI刚刚起步,它并没有找到特别合适落地的场景,ChatGPT它作为一个杀手级的应用起到了一定的示范作用,但是真正为这个社会带来什么样的一个价值,其实现在并没有体现出来,反倒是说基于我们去发现这个价值,可能是我们创业者、投资人以及这个社会共同去寻找的一个方向。
所以从教训上来说,这次我们就没有像上一次那么乐观,我们是非常谨慎的去看待这个产业的发展,并且去投资,我们愿意投那些他对这件事情看得比较长远,然后他也愿意长期去投入这样的公司,但是中心的来说我们是相信人工智能未来会达到推动人类发展的关键的要素。
王力行:即使站在人类命运转折点之前也得保持冷静。
余俊:第一点,从技术上看,过去比如说商汤主要是CV,自动驾驶可能还是围绕一个场景来去解决这个场景里面垂直的问题,今天从技术上来看它把这个自然语言带进来了,把生成式带进来了,确实从技术上来看是一个新的范式。
第二点,就是今天新的这一波AI的创业者,特别是数量上来看一定是应用的人会多起来,其实这波应用的开发者是会更幸运的,因为前面的这波不管是过去10年,还是新的范式的技术驱动下,整个的基础设施更完善了,算力也好,从算法模型也好,从基础设施各个方面其实是大模型的基础设施,都已经是比过去要好多了。
这带来的变化就是未来开发创新者的数量会百花齐放,在更多的垂直场景里面会存在更多的创新的机会。而不仅仅是说可能在自动驾驶领域,可能在过去的智慧城市一些看上去很大,还能见到钱的地方,或者说能讲故事的地方,但是其实今天可能有一些小而美的公司。
比如说我做一个营销,我通过大模型,通过生成式的能力,我能够把客户服务的很好,其实他也能够活下来,这里面从能力上已经发生变化了,可能他能做出一个面向客户,或者说与客户贴近更紧密产品的时候,或者是服务的时候,这个公司就能够活下来。
当然对我们来说,可能会考量的不仅仅是这一类的公司,可能在找下一个比如10亿美金、100亿美金的公司,从这个角度来看,它需要的能力又会是更全面。
第三点,就是教训吧,还是沿袭上一波的教训,过去不管是CV,还是自动驾驶,其实都存在一种“拿着锤子找钉子”的逻辑。
这一波AI的创业者来讲,我觉得更多的反过来要去想场景、产品,其次才是技术,因为刚才讲到技术已经相对来说比过去的整个基础设施要好很多,创业者这个时候要花更多的精力去琢磨用户、琢磨产品、琢磨服务,琢磨怎么去履约,琢磨整个团队怎么去搭等等,当然中间有一层其实是可能会成为比如说10亿美金的公司,可能这一波他不仅仅是说搭一个壳就能够解决应用的问题,更需要从数据的搜集去训练出属于自己垂类的小模型。这一类的公司可能会创造一波解决垂类方案的这种创业型公司,可能也会产生出伟大的公司,因为只要垂类足够的大,比如说在自动驾驶,也可能在其它的场景里面。所以我觉得给到创业者的机会会更多。
对于投资来讲,可能我们需要去做更多的分层,我们在每一层是不是能够找到一些头部的公司来进行相应投资。
从商汤国香资本角度来看,我们看到的是自身的能力,或者说整个行业能力在往前推进时,应用层往上走的一些公司的机会,其实是比上一波的机会更多。
臧天宇:其实我们看到这一波最大的区别就是,上一波AI它更多场景模型数据是强耦合的,如果你要应用的话,其实你需要一个比较好的AI算法和工程团队才可以去做,所以更多的时候它是技术主导的,因此成本比较高,也比较烧钱。
而这一波AI浪潮它开始产生分工了,少数的公司去做底层的大模型,提供水电煤,有更多的公司是可以在这个基础上直接去做应用的。实际上有很多团队并没有AI算法,但是可以做出非常多落地、接地气的应用,比如说给品牌去做商拍图等等,都是非常落地的场景,而且有越来越多的企业是从第一天就可以开始赚到钱的。
之前A16Z有一个统计数据,全球网站访问量TOP50 的AI项目,其实里面有48%的项目是不依赖外部融资的,这在一定程度上也印证了刚才的点。
除此外还有一个比较大的区别是,过去的判别式AI其实更多是应用在一些低容错率的场景,比如说我们的CV应用到人脸识别、工业的检测中,大家希望它尽量做到100%的准确率,而且往往是2B的场景。
而对于生成式AI来说,它更多是面向C端的应用,无论是文生图、虚拟陪伴,它的容错率是比较高的,同时也更容易形成传播,所以现在也是非常火的趋势。
如果说相同的点的话,两者都会经过技术发展的周期,它会经过相对泡沫期,大家对这个技术产生过高预期,再回归冷静,然后重新回到增长的通道。在这个过程中,我们需要警惕在泡沫期话题被过度炒作的风险,需要在过热的时候保持相对冷静,不要一拥而上。
王力行:天宇提到一个A16Z的数据我们之前也有关注,非常有意思。回顾完过去,我们看这一波的AGI浪潮,当然去年大家已经开始看见美国起来的文生图的应用,但确实在国内真的热起来,还是今年初Open AI和微软点爆的这个大炮仗。紧接着我们就看到国内大厂到创业公司,大家蜂拥而上,大家纷纷投身基础模型,奋起直追。
刚才提到基础模型水电煤是少数的玩家。华兴今年在人工智能领域投入了不少,也做了不少项目,其实从我们视角来看,目前国内的基础模型层面其实还是蛮拥挤的状态。那么第二个问题是,在基础模型层面,未来的生态格局会是百花齐放,还是最终是相对集中的?几位从投资人的视角来看,觉得他们在比拼什么呢?
于红:在大模型这块看有两个角度,就是从应用场景来看是2B还是2C,我觉得2C的话,基本上会参考互联网发展的轨迹,针对任何一个应用,比如类似于ChatGPT这种,都会形成一个寡头垄断,甚至是说一家独大的局面。
C端的产品,未来会形成品牌壁垒、规模优势等各方面壁垒,所以我觉得还是会趋向非常高度集中的。
在B端,我的看法会不太一样,我觉得B端一个产品,或者是服务,其实它要能够做到市占率很高,甚至是说一家独大,要参考两个方面,第一,这个产品的壁垒,第二,商业上一些情况的分析。从产品壁垒的角度来说,一方面要看它到底是否有足够的技术壁垒,你能做别人完全不能做,这件事情肯定是最重要的一个原因,但是从大模型的角度来说,目前来看是有人领先,有人落后,但是差距到底有多大,今天其实还看不清,而且在最开始的时候差距看不清楚的话,从更长期的角度来说,这个差距可能就是在一个可控的范围之内,而且再加上数据的价值,这个技术壁垒能够保持多久,或者这个技术壁垒能够产生的最后用户价值的差异,其实是一个问号。
另一方面,除了技术壁垒以外,还有很多其他的壁垒,可以统称为“飞轮效应”,随着它越做越大,产品是不是能够越来越好,从而带来产品价值相对于别人产品的绝对领先。
我觉得大模型在这方面也需要深度探讨,答案不是一定的,主要是在2B领域,产品价值的绝对领先不一定那么显性。
第二点,从商业层面上,我们去看很多2B的企业,我们会认为什么样的模式是最好的。
第一,就是它产品在客户的成本占比不要太高,甚至是比较低会更好,但是同时起到的作用很大,这点有点违反商业直觉。
最简单来说就是芯片,其实芯片占手机里面,就是单个芯片,咱们不说手机里面整体的芯片成本当然很高,单个芯片占比没有那么高的,因为它没有那么高,它又比较重要,企业自己花时间来去投入,这个精力的优先级相对来说没有那么高。
第二,它的毛利是不是足够的高,如果说它的占比很高,比如说像汽车产业链里面的电池,它的成本占比是很高,但是它是不是能够保持一个很高的毛利,如果保持很高毛利的话企业也会有动力自己去做。但是如果没有很高的毛利,因为企业自己去做它可能还打不过市场化的竞争。
第三点,就是它的应用范围是不是足够的广,肯定是应用范围越广企业的价值越高,所以综合前面三点来看,反正不一一对大模型来进行分析了,如果对号入座判断的话,我会觉得至少在2B这个领域不会出现那种一家特别独大的状况。
会不会是百花齐放,我觉得会取决于闭源的模型和开源模型之间的竞争吧,开源模型和闭源模型的差距有多大。所以综合来看在2B的领域,这个战役可能要打得很持久。
徐晓:我认为,不管是在2B端还是2C端都将是高度集中的趋势。中国有句老话叫“要想富先修路”,如果把基础大模型当做整个未来数字化或者智能化时代基础设施的话,那它本身就相当于在做一个修路的过程。中国的高速公路全国就那么几家,到各省也就那么几家,所以全国范围内头部的高速公路公司是高度集中的,把它类比到基础大模型上来看也是这样一个情况,因为算法不再成为大模型的一个壁垒,数据和算力才是,而数据和算力相对会容易进入到一个强者恒强的状态,因此会呈现出一个集中的趋势。
当然2B端在垂直行业当中的量可能跟2C的大小会有一个量级上的差别,但是不管在2B还是2C领域都会出现寡头垄断的局面,这是我对基础大模型的看法。
当然应用模型上会出现很多创业机会,因为修通了这个路之后,你可以在路边开咖啡厅,可以做各种各样餐饮的东西,我觉得这一次AI的创业跟之前两次有很大的不同,基础设施的完善其实是为大家创造了很多不依赖融资生存的方式,通过自身的现金流,形成一个现金闭环的商业模式,在这个情况下,这个行业会慢慢进入一个成熟的状态,这也是为什么我会认为在技术上面来讲它会出现寡头垄断的原因。
陈钢:在2C领域我更愿意从数据来源的角度来思考这个问题,如果做2C你的数据来源是公开的信息,这时候你做大数据模型就是规模取胜,未来会存在几个超大规模的数据模型。
你需要有很多的显卡,而且算力是非常非常耗电的,它的耗电程度肯定是我们日常用电100倍以上,所以它要做大的话一定是规模取胜。在B端领域,因为每个行业是完全不一样的,所以我觉得在B端的话肯定会有一个一个专业的模型在那里。
有的时候我们会想另外一个问题,有没有可能做一个C端非常超级大的模型,把下面那几个B全部都给吞并了呢?有没有这种可能呢?我自己的判断是不太可能的,原因很多时候它是团队跟团队文化之间的文化是完全不一样的,就是做2C的文化跟做2B的文化是完全不一样的,所以我们做2B的人是不用担心被一些巨头给吞并掉的,因为你们之间是不相容的。
王力行:大家在2B和2C还是会有一些不一样的观点。说完foundation model,接下来聊聊大家都关心的应用的问题。
AGI Native的概念最近被频繁提及,但这个概念也一直没有被清晰定义。想听听在几位的理解中,所谓AGI Native的应用应该具备什么样的特性?不论在中国市场还是美国市场,是不是已经有了一些典型的原生应用代表?
臧天宇:从我们的角度来看,比较典型的AI原生应用应该是第一天就是围绕AI技术来搭建的,它的产品核心是基于AI实现的,如果你把AI拿掉的话这个产品就不成立了,比较典型的像ChatGPT、国内的科大讯飞、星火等,创意类生成类的应用比如生数科技等,还有一些海外做虚拟陪伴类的产品都属于原生类的应用。
与之相对应的,非原生应用更多是在2B领域,原本它是有一个核心软件系统去实现它的整个业务流程,在这个过程中引入了LMM,比如说在前端引入一个LUI的入口去做自然语言的交互,其实它背后驱动的还是原本核心的那套软件的逻辑和实现,这种相对来讲就是非原生的应用。
于红:我会觉得如果参考移动互联网的发展来说,其实最核心的点还是在位置价值,以及随着4G网络的崛起,再加上视频。所以其实移动互联网的核心增量价值就是位置价值和摄像头相关的,这两个特性就推动产生了移动互联网时代的巨大机会,外卖、打车、短视频。
现在看AI时代,我们去思考这个问题的话,一个就是LLM驱动下产生的新的交互体验,这个大家可能比较了解,就是从GUI到LUI,通过对话的方式进行产品交互。 所以我们现在在看产品的时候,会关注这个产品有多大的程度上是通过对话这种方式去解决它最核心的问题,并且这个最核心的问题是以前技术解决不好的。
第二个点来说,我们也是回顾看历史,其实它没有颠覆什么PC时代的东西,就是大家经常会讲一些颠覆性的话,但是实际上BAT还是活得挺好的,只是在崛起的TMD,其实大家都是在做新的需求。
所以,我们更关注那些其实可能它这个需求是存在的,但是由于上一代的技术没有办法很好的去满足这样的一些需求。 在AI的时代,AI技术能够更好的满足这部分的存量需求,并且把这部分需求大范围的进行扩大。
王力行:太阳底下没有新鲜事儿,上一波迭代的过程对这一波也会有启发的。
徐晓:王总的问题有点像当年大家在讨论说到底是AI+,还是+AI,我想可能大家对原生应用更多的定义是AI+,是基于AI本身的技术去衍生。我相信在未来整个智能化过程当中,所有的应用会呈现出一个金字塔的状态,其中最大量的基座部分会是“+AI”应用,不管是在工业软件还是机器人领域,包括其他智能化的领域当中,我们去叠加AI这个属性,相当于用AI来赋能我们原有的商业模式或技术,甚至在过程当中优化流程。
而上面的那部分“AI+”应用则会是打破传统的交互方式的,所谓“不破不立”,它一定是打破传统交互方式之后,基于新的一种交互方式而产生的一种通过AI技术衍生出来的应用,现在已经初见苗头了,类似midjourney替代photoshop。
我有一个大胆的想法,往常我们聊到AI,都在说让机器像人一样思考,我有时候在想机器凭什么像人一样思考,机器不能像机器一样思考吗?有没有可能在这个金字塔的顶端会出现一类应用就是机器在用机器的方式思考,可能人类不一定能揣测出机器是怎么思考的。
我自己挺期待有这一类的应用出现的,一旦到了机器的思考方式,它可能是一种认知形态的变化,可能这个世界的某个地方就会发生一些我们意想不到的一种情况,所以我挺期待有这样一种特别的AI应用,可能叫原生的原生应用出现。
王力行:徐总提出了一个比较大胆的猜想。美国当下说得比较多的是Agent,但我感觉国内目前大家还在思考和琢磨,所以我接下来这个问题还是更贴近当下的市场,我们看到在应用这个领域目前在智能助理、营销、设计、具身智能等领域已经涌现出一批应用项目。
其中一个很明显的路线差异就是究竟走To B路线还是To C路线?所以想听听几位是更看好To B还是To C?更看好受众更广的通用应用还是更聚焦的垂直行业应用?更好看哪个细分领域?
罗旭:如果有能力去做2C,不会选择做2B,互联网时代出现了赢者通吃的局面,2C会带来更大的冲击。
中国的市场,如果你想做2C的话,需要抓住用户真正的需求,其实现在这个阶段,大模型出来以后,ChatGPT出来以后,大家跟随做了很多相应的应用。创业的目标也是说我们能不能有中国的ChatGPT,但是如果你看ChatGPT最近几个月的数据来看,你会发现它其实用户的黏性在下降,虽然说它最开始的时候出现了几周就能够达到上亿的用户,而且创造了互联网时代以来最快用户积累的历史。但其实后来它在慢慢下降,慢慢下降的原因就是说过去我们可以通过ChatGPT去做一些事情,后来你会发现其实它能够给你带来的东西并不是完全你需要的,可能跟多的人去比较新鲜去做这个事情。
如果你要做2C的话,首先你要把这些用户的黏性能够聚集,比如说搜索引擎,比如说电商,其实让这个用户能够在上面可以很好的获得他所需要的东西,有这种黏性。但是现在目前这个技术我们还没有看到这种黏性的出现,虽然有杀手级的应用出现,但是没有看到这个黏性。
如果有人能够发现这种黏性的话,我相信他会成为这个时代的平台型公司,就和互联网时代一样,创造出一个伟大的公司,但是大部分的创业公司,被迫走到了2B的领域,没有办法在C端和大厂去竞争,但他有某一个垂直领域的knowhow,用大模型技术在垂直领域去应用,它的售价是一样的,它可以在某一个领域里面做得很好,然后提高这个领域的生产效率。那么它的问题就是说如果你提高了某一个领域的价值,怎么体现到你公司本身的价值上面来呢?它可能就没有像2C大平台的价值体现那么多,但是这个社会就是这样,有一个社会分工,能够通过2B站稳脚跟,避免了内卷,然后能够活得很好,被这个领域进行改革的话,那么我觉得它的价值是存在的。我们判断大部分的创业公司可能都会走到2B。
然后有一些公司或者是极少数的公司会走到2C,在这个过程当中还会出现一些工具链的公司,这些公司是为这些应用公司来提供服务的,所以这个生态我认为现在正在慢慢形成过程当中,现在还没有办法清晰的看到这个生态最终会是一个什么样子,但是我们感觉还是和互联网最开始的那个时候是很类似的。
所以说作为创业者来说,我们认为每一个方向其实都有它的价值,关键是我们投的时候就要看你的能力到底和你的选择是不是匹配的,我们认为你可以做这个方向的选择,去匹配,那么我们就愿意去投资。
余俊:我们是这么考虑这件事情的,第一,其实2B和2C在过去的经典互联网时代,其实都是被资本推着走的。
特别是在2C领域,我觉得过去是有先2C,然后2B,C没得投了,然后说我们转到B的方向去投,经典互联网大概经历这么一个过程。但是我觉得今天2C和2B同时起步,这是一个现象。
第三,如果从有一定想象力创业公司的角度,假设我们要投到这类公司,我个人的观察,我觉得今天不管是2B还是2C,其实有可能过度强调了技术能力,而忽视了数据,就是今天这个东西不管是2B还是2C能不能做出来,C端可能考量的是产品体验,B端考量的是能不能解决行业的效率问题,或者是在不同工种之间的协同或者是交互的问题。
第四,所以其实今天如果没有各自垂直方向上的数据支撑,要么效果做不出来,要么效率出不来,所以我觉得今天可能在这个点上,C端的创业公司和B端的创业公司其实都还对这件事情的重视度都还不够,但是我觉得如果创业公司在这个点上的数据搜集能力比其他的竞争对手要优一个数量级的话,其实它更有机会。
第五,这是我们看到的一个很重要的一个点。
第三个点,就是说我们投的这样一些团队是既要、又要、还要,除了说有数据能力,有大模型的理解能力,或者说对模型的操纵能力之外,其实最后还是会回归到团队的融资能力怎,因为从你的算力到你去训练出一个能体验的产品和能够解决效率问题、协同问题的产品,其实最终还是要考虑你后面的钱多不多,你钱多可能就迭代出更多的模型和产品出来。
其次,你的起步就是2000万美金,如果做套壳的,都要至少900万美金或者1000万美金。再有,不管是2B还是2C,可能融资能力是一个很重要的点。
最后一点,有可能是2B的数量很多,我同意是说不管是B端还是C端,最终都会出现寡头,其实是这个积累的价值还是会偏向寡头的,但是有可能从事实的角度来看,最后市值最大的可能还是2C的公司。
王力行:如果要给创业者一句话建议,大家会如何建议?
陈钢:我觉得创业还是要赚钱,就是三年之内一定要现金流为正,这是在目前的宏观环境要活下去的必备条件。
罗旭:我希望创业者能够吸取上一代AI创业的经验教训,深入思考,然后我们陪着创业者一起继续上路。
于红:要乐观,悲观者总是正确,但是只有乐观者才能够创造1%的未来;要有使命感,拥有使命感,才能够走出低谷,穿越周期。
徐晓:我觉得对于创业者来说,在一个高度不确定性的环境里面做一个高度不确定性的事业,所以想分享给大家一句我自己也很受益的话,“对可控的事情保持谨慎,对不可控的事情保持乐观。”
余俊:当下在AGI这个领域创业重要的是计、谋、战。首先是计,特别是在这个综合要求非常高的领域,需要重点思考清楚的是怎么走,其次是谋,谋划整合撬动各种资源。最后是战,以高效的执行力去作战。
臧天宇:我的建议是,从场景出发,小步快跑地去迭代,第一天就要考虑怎么赚钱的问题。
王力行:既然是人类命运转折点,我觉得也值得大家更多的去投入,谢谢大家!
标签: #点估计的应用范围